【技术实现步骤摘要】
本申请涉及人群检测，具体而言，涉及一种人群计数的方法及装置。
技术介绍
1、在举办展会、路演、讲座等活动时，主办方希望比较精确地统计参加的人数。目前，在对人群计数时通常采用目标检测的方法，具体的是将人体或人头作为检测的目标，然后把目标框数量进行统计得到人数。当人群密集时，将人头作为检测的目标可以减少人体检测时人体被遮挡造成的影响。然而，由于将人头作为检测目标时目标太小，导致无法保证检测结果的准确度。
2、因此，如何提供一种精准的人群计数的方法的技术方案成为亟需解决的技术问题。
技术实现思路
1、本申请的一些实施例的目的在于提供一种人群计数的方法及装置，通过本申请的实施例的技术方案可以通过多个模型进行融合实现对人群中人数的精准检测。
2、第一方面，本申请的一些实施例提供了一种人群计数的方法，包括：将待检测图片分别输入至目标人群密度估算模型、目标人头检测模型和目标人群区域检测模型，得到人群密度估算结果、人头检测结果和人群密度区域分类结果，其中，所述人群密度区域分类结果包括：人群密集区域和非密集区域；对所述人群密度估算结果和所述人群密度区域分类结果进行计算，得到第一数量；统计所述人头检测结果中的处于所述非密集区域的第二数量；将所述第一数量和所述第二数量相加，得到所述待检测图片中的人群计数结果。
3、本申请的一些实施例通过训练得到的目标人群密度估算模型、目标人头检测模型和目标人群区域检测模型分别对待检测图片进行检测，可以得到人群密度估算结果、人头检测结果
4、在一些实施例，所述对所述人群密度估算结果和所述人群密度区域分类结果进行计算，得到第一数量，包括：将所述人群密度估算结果和所述人群密度区域分类结果进行点乘，得到输出结果；对所述输出结果进行求和，获得所述第一数量。
5、本申请的一些实施例通过人群密度估算结果和人群密度区域分类结果可以得到人群密集区域的人数，精准度较高。
6、在一些实施例，所述目标人群区域检测模型的公式如下：
7、
8、其中，th为密集区域阈值，s(xi,yi)＝1时属于所述人群密集区域，s(xi,yi)＝0时属于所述非密集区域，(xi,yi)为第i个人头中心点坐标，δ(xi,yi)*gσ(x)为人头区域数值，gσ(x)为高斯核函数。
9、本申请的一些实施例可以实现对密集、非密集区域的有效区分，提升了人群计数结果的准确度。
10、在一些实施例，在所述将待检测图片分别输入至目标人群密度估算模型、目标人头检测模型和目标人群区域检测模型之前，所述方法还包括：获取训练集，其中，所述训练集中包括：多张样本图片，以及所述多张样本图片中各样本图片中人群对应的密度图标签，所述密度图标签是利用高斯核函数对人头中心点数值进行处理后得到的；利用所述训练集对初始人群密度估算模型进行训练得到目标人群密度估算模型，其中，所述初始人群密度估算模型是由多尺度卷积核的神经网络构建的。
11、本申请的一些实施例通过利用训练集对相关模型进行训练得到目标人群密度估算模型，为后续人群计数提供模型支持。
12、在一些实施例，所述方法还包括：获取所述密度图标签对应的二值化标签；利用所述多张样本图片以及所述二值化标签组成的数据集对初始图像分割模型进行训练，得到所述目标人群区域检测模型。
13、本申请的一些实施例通过对密度图标签进行处理可以对初始图像分割模型进行训练，得到目标人群区域检测模型，为后续人群计数提供模型支持。
14、第二方面，本申请的一些实施例提供了一种人群计数的装置，包括：模型输出模块，用于将待检测图片分别输入至目标人群密度估算模型、目标人头检测模型和目标人群区域检测模型，得到人群密度估算结果、人头检测结果和人群密度区域分类结果，其中，所述人群密度区域分类结果包括：人群密集区域和非密集区域；计算模块，用于对所述人群密度估算结果和所述人群密度区域分类结果进行计算，得到第一数量；统计模块，用于统计所述人头检测结果中的处于所述非密集区域的第二数量；计数模块，用于将所述第一数量和所述第二数量相加，得到所述待检测图片中的人群计数结果。
15、在一些实施例，所述计算模块，用于：将所述人群密度估算结果和所述人群密度区域分类结果进行点乘，得到输出结果；对所述输出结果进行求和，获得所述第一数量。
16、在一些实施例，所述目标人群区域检测模型的公式如下：
17、
18、其中，th为密集区域阈值，s(xi,yi)＝1时属于所述人群密集区域，s(xi,yi)＝0时属于所述非密集区域，(xi,yi)为第i个人头中心点坐标，δ(xi,yi)*gσ(x)为人头区域数值，gσ(x)为高斯核函数。
19、在一些实施例，在所述模型输出模块，之前，所述装置还包括训练模块，用于：获取训练集，其中，所述训练集中包括：多张样本图片，以及所述多张样本图片中各样本图片中人群对应的密度图标签，所述密度图标签是利用高斯核函数对人头中心点数值进行处理后得到的；利用所述训练集对初始人群密度估算模型进行训练得到目标人群密度估算模型，其中，所述初始人群密度估算模型是由多尺度卷积核的神经网络构建的。
20、在一些实施例，所述训练模块，用于：获取所述密度图标签对应的二值化标签；利用所述多张样本图片以及所述二值化标签组成的数据集对初始图像分割模型进行训练，得到所述目标人群区域检测模型。
21、第三方面，本申请的一些实施例提供一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时可实现如第一方面任一实施例所述的方法。
22、第四方面，本申请的一些实施例提供一种电子设备，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，其中，所述处理器执行所述程序时可实现如第一方面任一实施例所述的方法。
23、第五方面，本申请的一些实施例提供一种计算机程序产品，所述的计算机程序产品包括计算机程序，其中，所述的计算机程序被处理器执行时可实现如第一方面任一实施例所述的方法。
本文档来自技高网...【技术保护点】
1.一种人群计数的方法，其特征在于，包括：
2.如权利要求1所述的方法，其特征在于，所述对所述人群密度估算结果和所述人群密度区域分类结果进行计算，得到第一数量，包括：
3.如权利要求1或2所述的方法，其特征在于，所述目标人群区域检测模型的公式如下：
4.如权利要求1或2所述的方法，其特征在于，在所述将待检测图片分别输入至目标人群密度估算模型、目标人头检测模型和目标人群区域检测模型之前，所述方法还包括：
5.如权利要求4所述的方法，其特征在于，所述方法还包括：
6.一种人群计数的装置，其特征在于，包括：
7.如权利要求6所述的装置，其特征在于，所述计算模块，用于：
8.如权利要求6或7所述的装置，其特征在于，所述目标人群区域检测模型的公式如下：
9.如权利要求6或7所述的装置，其特征在于，在所述模型输出模块之前，所述装置还包括训练模块，用于：
10.如权利要求9所述的装置，其特征在于，所述训练模块，用于：
【技术特征摘要】
1.一种人群计数的方法，其特征在于，包括：
2.如权利要求1所述的方法，其特征在于，所述对所述人群密度估算结果和所述人群密度区域分类结果进行计算，得到第一数量，包括：
3.如权利要求1或2所述的方法，其特征在于，所述目标人群区域检测模型的公式如下：
4.如权利要求1或2所述的方法，其特征在于，在所述将待检测图片分别输入至目标人群密度估算模型、目标人头检测模型和目标人群区域检测模型之前，所述方法还包括：
5.如权...
【专利技术属性】
技术研发人员：陈果，刘俊文，敖川，梁睿，
申请(专利权)人：睿云奇智青岛科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。